AI在化工装备技术中的应用

20XX/XX/XXAI在化工装备技术中的应用汇报人:XXXCONTENTS目录01

化工装备智能化转型背景与意义02

AI在装备状态监测与故障诊断中的应用03

AI驱动的装备预测性维护体系04

智能视觉监控在装备安全管理中的实践CONTENTS目录05

化工装备数字孪生与工艺优化06

AI在装备能耗优化与绿色生产中的作用07

AI应用的关键技术挑战与解决方案08

未来展望与发展趋势化工装备智能化转型背景与意义01人工巡检效率低下且覆盖面有限传统依赖人工巡检，效率低、覆盖面有限，易因人为疏忽遗漏安全隐患，无法实现24小时不间断监测。常规监控缺乏智能识别与预警能力常规摄像头仅能记录画面，无法自动识别异常情况，需人工实时查看，难以做到及时预警，响应滞后。设备故障诊断依赖经验且响应滞后设备故障诊断多依赖人工经验，对复杂数据处理能力不足，故障检测时间长，如某化工企业因人工巡检疏漏导致反应釜爆炸，直接经济损失超5000万元。数据互通率低形成信息孤岛国内化工企业平均存在12类分散系统，数据互通率不足35%，高质量数据缺失使设备状态评估和优化决策缺乏有效支持。化工装备传统管理模式的局限性AI技术赋能化工装备的核心价值提升生产效率与资源利用率AI算法优化化工装备工艺参数，如万华化学AI工艺优化智能体将催化剂方案筛选效率提升3500倍，实验周期缩短90%以上；山东海化集团“盐化工智控大模型”通过分钟级自主寻优，离子膜寿命由4年延至5年，年度节电450万千瓦时。强化安全生产与风险管控能力AI智能监控系统实现24小时不间断运行，对设备运行状态、人员行为及危险化学品存储运输进行全面监测预警，如思通数科AI视频监控卫士可实时识别火灾、气体泄漏、设备异常等危险情况，某省级化工园区应用后有效提示率达61%，事故率显著降低。推动设备维护模式升级基于机器学习和传感器数据，AI实现化工装备预测性维护，华为联合石化企业构建的预测大模型可提前2周至2个月预警设备故障，某炼化厂关键机组非计划停机减少73%，维修成本下降41%；燧机科技AI视频分析平台对设备异常反光等可见特征初筛，助力预防性维护。行业政策与技术发展趋势国家政策支持方向国家出台《新一代人工智能发展规划》等政策，明确支持人工智能在化工等重点行业的应用，推动产业智能化转型升级，为AI在化工装备技术中的应用提供政策保障。技术融合创新趋势AI技术正与物联网、数字孪生、边缘计算等技术深度融合，如构建化工装备数字孪生模型，结合边缘AI实现实时数据处理与智能决策，推动化工装备技术向智能化、精准化方向发展。市场规模与增长预测预计到2030年，全球AI在化工领域的市场规模将持续扩大，其中AI振动诊断等装备相关应用市场规模有望突破150亿美元，显示出强劲的增长潜力和广阔的市场前景。AI在装备状态监测与故障诊断中的应用02多传感器数据融合监测技术01多源异构数据采集体系通过部署高清摄像头、红外传感器、气体传感器、振动传感器等多种设备，实时采集化工装备的图像、温度、压力、流量、气体浓度、振动等多维度数据，为全面监测提供数据基础。02数据预处理与特征提取对采集到的原始数据进行清洗、去噪、归一化等预处理，去除干扰信息。运用时频域分析、小波变换等方法提取设备运行状态的关键特征，如设备振动信号的故障特征频率、温度异常变化趋势等。03智能融合算法与决策支持采用机器学习、深度学习等智能算法对多源数据进行融合分析，实现对化工装备异常状态的精准识别和早期预警。例如，结合图像识别与气体浓度数据判断是否存在泄漏，融合振动与温度数据预测设备故障。04实时监测与联动响应构建实时数据传输与处理平台，将融合分析结果实时展示给监控人员。当监测到异常情况时，系统自动发出警报，并可联动相关应急处置机制，如启动排风系统、切断相关阀门等，提高应急响应效率。基于深度学习的故障特征提取单击此处添加正文

传统时频域分析的局限性传统短时傅里叶变换(STFT)在处理非平稳信号时，时间分辨率与频率分辨率不可兼得；小波变换需手动调整基函数参数，计算复杂度高。某地铁列车齿轮箱故障案例中，STFT分析无法捕捉瞬态冲击信号，误判为正常工况导致延误2小时。卷积神经网络(CNN)的特征提取优势CNN通过局部感知窗口自动提取振动信号中的故障特征，某大学研究显示其对齿轮故障的识别率比传统方法高27%。循环神经网络(RNN/LSTM)的时序建模能力RNN的长短期记忆单元(LSTM)能够捕捉振动信号的时序依赖关系，某风电场应用表明其对叶片裂纹的诊断准确率达93%。Transformer模型的自注意力机制突破Transformer模型通过自注意力机制，可关注振动信号中的关键时间节点，某轴承制造企业实验显示其能提前3天预测轴承疲劳故障。反应釜温度异常预警案例AI智能监控系统通过实时分析反应釜温度数据，可预测可能出现的超温情况并提前发出警报，避免因温度失控引发爆炸等严重事故，保障设备稳定运行。轴承故障AI诊断案例某钢铁厂采用AI诊断系统后，轴承故障的检测准确率从68%提升至98%，误报率下降至5%以下，通过对设备振动数据的深度学习分析，实现了轴承故障的精准识别。管道泄漏智能监测案例AI视频监控卫士通过对存储容器的图像识别，能及时发现容器泄漏、破损等情况，某化工厂应用该技术后，危险化学品泄漏事故减少40%，提升了设备运行安全性。涡轮叶片裂纹预测案例某航空发动机厂的AI系统通过学习过去10年的振动数据，成功预测了涡轮叶片的早期裂纹，避免了重大事故的发生，体现了AI在装备故障预测方面的重要作用。典型装备故障诊断案例分析故障预警与寿命预测系统架构

01数据采集层：多源异构数据实时感知通过部署在化工装备关键部位的高清摄像头、振动、温度、压力等传感器，实时采集设备运行参数与环境数据，形成海量工业大数据。如某核电企业在反应堆关键轴上部署8个振动传感器，实现数据秒级采集。

02特征提取层：智能算法挖掘故障征兆运用时频域分析（如小波变换）结合深度学习模型（CNN、LSTM等），从原始数据中自动提取故障特征。某大学研究显示，CNN对齿轮故障的识别率比传统方法高27%，能有效捕捉设备异常信号。

03决策分析层：AI模型实现精准预警与预测基于机器学习算法构建故障诊断模型，实现设备故障类型识别、剩余寿命预测及健康状态评估。例如，某风电场应用LSTM模型对叶片裂纹的诊断准确率达93%，可提前14-60天预警设备故障。

04应用输出层：预警推送与维护决策支持系统将诊断结果与预警信息通过邮件、短信或移动应用推送给用户，并提供预测性维护建议。某炼化厂关键机组采用该系统后，非计划停机减少73%，维修成本下降41%，保障生产连续性。AI驱动的装备预测性维护体系03预测性维护与传统维护模式对比

响应机制：被动应对vs主动预警传统维护多为故障发生后被动维修，如某化工企业因反应釜故障导致停机，直接损失超5000万元；AI预测性维护通过机器学习分析设备数据，可提前14天至2个月预警故障，华为联合石化企业案例中关键机组非计划停机减少73%。

维护周期：固定周期vs动态按需传统维护依赖固定周期巡检，易出现过度维护或维护不足，某炼化厂人工巡检效率低且易遗漏隐患；AI预测性维护基于设备实时状态动态调整维护计划，万华化学AI工艺优化智能体将催化剂方案筛选效率提升3500倍，实验周期缩短90%以上。

数据利用：经验驱动vs数据驱动传统维护依赖人工经验判断，误报率高达30%，主观性强；AI预测性维护通过多传感器实时采集温度、压力、振动等数据，结合深度学习模型精准诊断，某钢铁厂轴承故障检测准确率从68%提升至98%，误报率降至5%以下。

成本效益：高损耗vs降本增效传统维护模式下设备故障率高、维修成本大，某央企设备维护成本占总运营成本25%；AI预测性维护实现预防性维护，山东海化集团通过AI优化使离子膜寿命由4年延至5年，年度节电450万千瓦时，某甲醇厂应用后蒸汽成本年节省192万元。预测性维护模型构建通过机器学习算法（如LSTM、随机森林）分析设备振动、温度等运行数据，建立故障预测模型。华为联合石化企业构建的预测大模型可提前2周至2个月预警设备故障，某炼化厂关键机组非计划停机减少73%。维护周期动态调整基于设备健康状态评估结果，动态优化维护周期。AI系统结合历史运行数据和实时状态，预测设备潜在故障，实现预防性维护，降低设备故障率，保障生产连续性。维护资源智能调度利用机器学习优化维护人员、备件等资源的调度。根据设备重要程度、故障风险等级及维护任务优先级，合理分配资源，提高维护效率，降低维护成本。某央企通过AI调度使入厂资质审核时长从29分钟缩至16秒。基于机器学习的维护策略优化维护资源智能调度与成本控制基于AI的维护任务优先级动态排序AI系统综合设备重要性、故障风险等级及生产计划，对维护任务进行实时优先级排序。例如，某化工企业应用后，关键设备突发故障响应时间缩短40%，非关键设备维护等待时间优化25%。维护人员与备品备件智能匹配通过机器学习算法分析维护人员技能矩阵与设备故障类型，实现人员最优分配；结合库存数据与消耗预测，自动调配备品备件。某案例显示，此技术使维护人员利用率提升35%，备件库存周转率提高20%。预测性维护成本节约量化分析AI驱动的预测性维护可显著降低成本。如万华化学AI工艺优化智能体将催化剂方案筛选效率提升3500倍，实验周期缩短90%以上；某炼化厂关键机组采用AI预测性维护后，维修成本下降41%，非计划停机减少73%。企业应用成效与ROI分析

生产效率提升与成本节约山东能源集团某单位应用AI优化甲醇精馏工艺，每吨蒸汽消耗降低2%，年节省成本192万元；万华化学AI工艺优化智能体将催化剂方案筛选效率提升3500倍，实验周期缩短90%以上。

设备维护成本降低与可靠性提升华为联合石化企业构建预测大模型，提前2周至2个月预警设备故障，某炼化厂关键机组非计划停机减少73%，维修成本下降41%；某大型化工厂部署AI故障诊断系统后，设备故障率降低40%，设备运行时间提高25%。

安全事故率降低与风险管控某化工厂引入AI安全监控系统，火灾报警速度比传统系统提高30%，有毒气体泄漏事故减少40%；杜邦应用AI预警管道泄漏，事故率下降80%，有效避免重大人员伤亡和财产损失。

投资回报周期与长期价值AI视频监控系统单点改造成本约1.0~1.8万元，某省级化工园区试点有效提示率达61%，结合效率提升与事故预防，多数企业实现1-2年收回投资；AI在化工领域应用市场规模预计2025年达数十亿美元，长期推动行业智能化转型。智能视觉监控在装备安全管理中的实践04危险行为识别与安全防护监测人员违规行为智能监测

AI系统可实时识别人员未按规定佩戴安全帽、工作服、防护手套等个人防护装备，一旦发现违规立即发出警报。同时能监测人员在危险区域长时间停留、闯入禁区、摔倒等异常行为，及时通知相关人员处理。烟火及危险状态识别预警

通过AI算法对化工厂内的火灾、气体泄漏等危险情况进行实时识别，自动发出预警，减少人工巡检的盲点。例如燧机科技AI视频分析平台对地面液体反光区域（>0.5㎡）的检出率约76.8%，助力及时发现泄漏隐患。安全防护监测系统性能与局限

某省级化工园区实测显示，AI系统对未戴安全帽识别准确率达91.3%，有效提示率61%。主要误报源包括操作员手持白色工具被误判为未戴安全帽（35%）、地面积水反光误判为泄漏（30%）等，需人工确认告警。危险化学品存储容器监测AI智能监控系统通过图像识别技术对危险化学品存储容器进行实时监测，可及时发现容器是否有泄漏、破损等情况，确保存储环境的安全。烟火及异常状态识别系统能够实时识别化工厂内的火灾、烟雾等危险情况，通过AI算法自动发出预警，减少人工巡检的盲点，提升对烟火及异常状态的快速响应能力。设备外观缺陷检测利用计算机视觉技术对化工设备外观进行检测，可识别设备表面的腐蚀、裂纹、变形等缺陷，为设备维护提供依据，某系统对地面液体反光区域（>0.5㎡）的检出率约76.8%。设备状态视觉分析技术应用烟火与泄漏智能监测系统烟火智能识别与实时预警AI视频监控卫士通过图像识别算法，能实时识别化工厂内的火灾等危险情况，并自动发出预警，减少人工巡检的盲点，提升烟火监测的及时性和准确性。危险化学品泄漏监测技术AI智能监控系统结合传感器对危险化学品的存储环境进行实时监测，通过对存储容器的图像识别，及时发现容器泄漏、破损等情况，确保存储安全。环境参数异常联动监测AI可结合传感器进行空气质量、温度等环境数据监控，当检测到气体泄漏或温度异常等情况时，系统会迅速发出警报，以便及时采取应急措施，防范事故发生。边缘计算与云端协同架构设计

边缘层：实时数据采集与本地智能分析在化工装备关键点位部署边缘AI盒子（如燧机SG-IndustrialPro基于瑞芯微RK3588），复用现有≥200万像素高清摄像头及红外补光，实时采集设备振动、温度、图像等数据。采用YOLOv10-tiny等轻量化模型，在本地完成安全帽识别（准确率91.3%）、液体泄漏检测（检出率76.8%）等实时分析，端到端延迟控制在秒级，减少数据传输带宽压力。

传输层：安全高效的数据交互机制通过工业以太网或5G网络，将边缘层预处理后的关键数据（如异常事件视频片段、设备运行参数）加密传输至云端。采用RabbitMQ等消息中间件实现异步通信，结合Minio对象存储服务保存历史数据，确保数据传输的可靠性与安全性，满足化工生产对数据完整性和实时性的双重要求。

云端层：全局优化与深度知识挖掘云端服务器部署高性能AI模型（如LSTM、随机森林），对多边缘节点上传的海量数据进行全局分析。实现设备故障预测（如华为预测大模型提前2周至2个月预警）、工艺参数多目标优化（如山东海化盐化工智控大模型分钟级寻优）及跨厂区资源调度。同时构建RAG化工知识库（如祈业软件接入17万份文档），为决策提供深度知识支持。

协同机制：边云协同的智能决策闭环采用“边缘实时响应+云端全局优化”的协同模式，边缘层负责快速处理本地实时告警（如人员闯入禁区立即预警），云端通过对历史数据和多厂区数据的深度挖掘，持续优化边缘模型算法（如降低误报率）和工艺参数，并将优化策略下发至边缘层，形成“数据采集-本地分析-云端优化-边缘执行”的智能决策闭环，提升化工装备整体智能化水平。化工装备数字孪生与工艺优化05装备数字孪生建模技术与方法多源异构数据融合建模集成传感器实时数据（温度、压力、振动等）、CAD图纸、设备运维记录等多源信息，构建高精度数字模型。如某石化企业通过融合8类传感器数据，实现反应釜虚拟映射精度达98.7%。物理机理与AI混合建模结合化工装备物理特性（如流体力学、传热学方程）与机器学习算法，提升模型预测能力。万华化学采用此方法，将设备故障预测误差从0.42eV降至0.09eV，实验验证通过率100%。边缘计算与云端协同架构边缘节点实时处理高频振动、图像数据（如燧机科技SG-IndustrialPro边缘盒），云端进行全局优化与长期趋势分析，实现分钟级工艺寻优与故障预警，某盐化工企业应用后年节电450万千瓦时。基于数字孪生的虚拟调试与仿真数字孪生技术在虚拟调试中的核心价值数字孪生通过构建与物理装备一致的虚拟模型，可在虚拟环境中对化工装备的控制系统、工艺流程进行调试，减少物理调试成本与风险，缩短调试周期达30%以上。化工装备虚拟仿真的关键应用场景支持设备启动前的参数优化、异常工况模拟（如反应釜超温、管道堵塞）及维护流程预演，某炼化企业应用后，新装置开车成功率从85%提升至98%。虚实联动的实时数据交互机制通过工业物联网实现虚拟模型与物理装备的实时数据同步，如传感器采集的温度、压力数据驱动虚拟模型动态更新，仿真精度可达95%以上，为远程监控提供支撑。典型案例：大型化工机组虚拟调试实践某央企采用数字孪生技术对进口压缩机进行虚拟调试，提前发现3处控制逻辑缺陷，避免物理调试阶段停机损失超500万元，调试周期缩短40%。AI驱动的工艺参数动态寻优

多变量协同优化模型基于机器学习算法（如LSTM、随机森林）分析历史生产数据，建立温度、压力、流量等60余个工艺参数的关联模型，实现多目标动态寻优。

实时响应与智能调整通过边缘计算与预测大模型，对工艺参数进行分钟级预测与调整。例如山东海化集团盐化工智控大模型，实现离子膜寿命由4年延至5年，年度节电450万千瓦时。

能效与收率双提升案例某甲醇精馏装置应用AI优化后，在产品质量达标的前提下，蒸汽消耗量降低2%，年节省成本192万元；若推广至全国，年节省空间超10亿元。

复杂工况自适应策略结合强化学习算法，AI系统可自主学习环境变化（如原料成分波动、设备老化），动态调整优化策略，某乙烯装置通过此技术单线年产能提升15%。万华化学AI工艺优化智能体万华化学AI工艺优化智能体将催化剂方案筛选效率提升3500倍，实验周期缩短90%以上，助力高端POE材料国产化进程提前1.5年，2025年再启动20个AI创新项目。山东海化盐化工智控大模型山东海化集团“盐化工智控大模型”通过分钟级自主寻优，离子膜寿命由4年延至5年，年度节电450万千瓦时，入选IDC中国AI数字工厂领导者案例。云鼎科技甲醇精馏装置优化云鼎科技联合华为开发的甲醇精馏装置工艺智能优化场景，实现对60多个参数分析，基于预测大模型优化回流比，山东能源集团试点应用后平均每吨甲醇蒸汽消耗量降低2%，年度节省蒸汽成本192万元。宁波氯碱工厂数字孪生闭环控制宁波氯碱工厂通过AI实现“零巡检、零操作”，故障率下降40%、能耗降低15%，单厂年节省超2亿元，2025年已推广至5家省级示范工厂。全流程协同优化案例分享AI在装备能耗优化与绿色生产中的作用06能源消耗智能监测与分析

多维度能源数据实时采集通过部署在关键设备和工艺环节的智能传感器，实时采集温度、压力、流量、电力消耗等多维度能源数据，构建全面的能源消耗数据库，为后续分析提供数据基础。

基于AI的能源消耗模式识别运用机器学习算法对历史和实时能源数据进行深度分析，识别不同生产工况下的能源消耗模式，例如山东海化集团“盐化工智控大模型”通过分钟级数据分析，实现了能源消耗的精准把握。

能源效率优化与节能潜力挖掘AI系统根据能源消耗模式和生产参数，动态调整工艺条件，优化能源分配，挖掘节能潜力。如某甲醇精馏装置通过AI优化回流比参数，平均每吨甲醇蒸汽消耗量降低2%，年节省成本显著。

能源异常预警与故障诊断对能源消耗数据进行实时监测，当出现异常波动或超出设定阈值时，系统自动发出预警，并结合设备运行状态进行故障诊断，及时发现能源浪费或设备故障导致的能耗异常。基于AI的能效优化策略

智能工艺参数动态寻优利用机器学习模型（如LSTM、随机森林）分析历史生产数据，动态调整反应温度、压力、催化剂配比等关键工艺参数。例如，山东海化集团“盐化工智控大模型”通过分钟级自主寻优，离子膜寿命由4年延至5年，年度节电450万千瓦时，入选IDC中国AI数字工厂领导者案例。

设备能耗智能监控与调节AI系统实时监测设备能耗数据，结合生产负荷和环境因素，智能调节设备运行状态。华为联合石化企业构建预测大模型，对关键机组能耗进行优化，某炼化厂非计划停机减少73%，维修成本下降41%，间接提升能效。

能源供需预测与智能调度通过AI算法对能源需求进行精准预测，优化能源采购和分配。某化工企业利用AI进行能源管理，结合市场供需和生产计划，动态调整能源供应，使能源利用率提升15%，年节省能源成本超千万元。碳排放监测与减排路径规划

AI驱动的碳排放实时监测体系基于物联网传感器与AI算法，实时采集化工生产过程中的能耗、原料消耗等数据，动态计算碳排放强度。某化工企业应用该系统后，碳排放数据采集频率从小时级提升至分钟级，数据准确性提高23%。

碳足迹智能分析与溯源利用机器学习模型对产品全生命周期碳足迹进行分析，精准定位高排放环节。某石化企业通过AI溯源，发现某工艺段碳排放量占比达总排放的41%，为减排提供靶向目标。

减排路径优化算法与决策支持结合生产工艺参数与碳减排目标，AI算法生成多场景减排方案并评估效益。山东某化工园区应用优化模型后，在保证产能的前提下，提出的技改方案实现年减排CO₂1.2万吨，节能成本降低18%。

碳市场预测与履约管理通过AI预测碳市场价格波动与政策变化，辅助企业制定碳配额交易策略。某集团应用预测模型，提前布局碳资产，2025年碳交易收益增加350万元，履约风险降低40%。AI应用的关键技术挑战与解决方案07工业数据质量与标准化问题

化工数据采集的复杂性与挑战化工生产涉及多源异构数据，包括温度、压力、流量等工艺参数，以及设备振动、图像等非结构化数据，数据互通率不足35%，信息孤岛现象严重。

数据质量对AI模型的影响高质量数据缺失使AI模型训练收敛时间延长3.2倍，某央企新材料研发团队因数据质量问题，初期模型预测误差高达0.42eV，影响研发效率。

工业数据标准化的迫切需求缺乏统一的数据标准导致不同系统间数据难以整合，某化工企业平均存在12类分散系统，需建立涵盖数据采集、存储、分析的全流程标准化体系。

数据治理与优化路径通过数据清洗、去噪、填补缺失值等手段提升数据质量，采用多传感器数据融合技术进行交叉验证，祈业（佛山）软件RAG化工知识库语义检索响应达1.2秒，提升知识复用率68%。模型泛化能力与迁移学习策略工业振动数据的泛化挑战不同设备（如汽车发动机与风力发电机）的振动信号频谱差异高达40%，直接迁移模型会导致准确率骤降至75%以下。某港口起重机故障诊断系统，在迁移至新机型后，误报率从18%飙升到38%，导致设备停机。迁移学习在化工装备中的应用针对化工设备类型多样、数据稀缺问题，迁移学习可将已训练模型知识迁移至新设备。例如，将反应釜故障诊断模型迁移至精馏塔，通过微调适应新设备振动特性，缩短模型训练周期60%。环境适应性优化策略环境因素（温度、湿度）变化影响振动信号，某钢铁厂实测温度每升高10℃，传统模型准确率下降12%。采用域自适应算法，通过特征空间对齐，使模型在温度波动±20℃范围内保持90%以上诊断准确率。小样本学习突破数据瓶颈化工新装备或特殊工况下数据不足，小样本学习技术可通过元学习、数据增强等方法，在仅50组故障数据下实现85%诊断准确率，较传统方法提升40%，解决稀有故障诊断难题。工业级数据加密与传输安全采用端到端加密技术（如AES-256）保障传感器数据与AI分析结果传输安全，结合边缘计算实现数据本地化处理，减少云端传输风险。某化工园区部署后，数据传输安全事件发生率下降90%。访问权限分级与操作审计建立基于角色的访问控制（RBAC）体系，区分管理员、操作员、维护人员等权限等级。系统自动记录所有操作日志，支持审计追溯，符合ISO27001信息安全标准，某央企试点实现权限违规操作识别率100%。隐私计算技术的应用实践运用联邦学习技术，在不共享原始数据的前提下完成AI模型训练，保护企业生产数据隐私。某跨国化工企业通过该技术实现多厂区数据协同建模，模型精度达92%且数据隐私零泄露。合规性与风险评估机制定期开展安全风险评估，确保系统符合《网络安全法》《数据安全法》及化工行业特定法规要求。引入第三方安全检测机构，每年进行渗透测试与漏洞扫描，某上市化工企业连续三年通过国家信息安全等级保护三级认证。系统安全性与数据隐私保护复合型人才培养与团队建设01AI+化工复合型人才的核心能力需求需同时掌握化工专业知识（如工艺流程、设备原理）与AI技术（如机器学习、数据分析），具备跨学科协作与技术商业化思维，能将AI模型与化工实际场景结合解决问题。02校企合作培养模式实践南开大学NK-GeniOS平台通过“师生共创-赛教融合”机制，吸引60余所